用于人体运动预测的循环神经网络增强无迹卡尔曼滤波
机器人学
2024-02-21 v1
摘要
本文提出了一种深度学习增强的自适应无迹卡尔曼滤波 (UKF)，用于制造背景下的人体手臂运动预测。与先前仅依赖捕捉到的人体运动数据（本文中表示为骨骼向量）的基于网络的方法不同，我们将人体手臂动力学模型纳入运动预测算法，并使用 UKF 迭代预测人体手臂运动。具体而言，采用基于拉格朗日力学的物理模型将手臂运动与相关的肌肉力联系起来。然后，将循环神经网络 (RNN) 集成到框架中以预测未来的肌肉力，这些力基于动力学模型转换回未来的手臂运动。鉴于缺乏可输入 UKF 以更新状态的未来人体运动测量数据，我们集成了另一个 RNN 来直接预测人体未来运动，并将该预测视为馈送入 UKF 的代理测量数据。本研究的一个值得注意的方面是在一个统一框架中量化与数据驱动模型和物理模型相关的不确定性。这些量化的不确定性用于随时间动态调整 UKF 的测量噪声和过程噪声。这种由 RNN 模型的不确定性驱动的自适应机制，解决了源于数据驱动模型的不准确性，并缓解了假设物理模型与真实物理模型之间的差异，最终提高了我们预测的准确性和鲁棒性。与传统基于 RNN 的预测相比，我们的方法在各类人体运动的广泛实验验证中展示了更高的准确性和鲁棒性。
引用
@article{arxiv.2402.13045,
title = {A Recurrent Neural Network Enhanced Unscented Kalman Filter for Human Motion Prediction},
author = {Wansong Liu and Sibo Tian and Boyi Hu and Xiao Liang and Minghui Zheng},
journal= {arXiv preprint arXiv:2402.13045},
year = {2024}
}